Diseño de un asistente inteligente para optimización de agendas personales

Abstract

[ES] La finalidad de este trabajo es diseñar un sistema inteligente que optimice la organización de una agenda personal, adaptándose a las necesidades individuales. Este sistema aborda este problema de tipo NP y busca soluciones mediante el uso de un algoritmo genético. Los objetivos que se han planteado, para llegar a solventar este problema cuotidiano, abarcan la exploración de las posibilidades y el funcionamiento de un algoritmo genético, programar e implementar las funcionalidades de una agenda, y verificar y optimizar el desempeño de las soluciones obtenidas por el algoritmo. Con el fin de satisfacer estos objetivos, durante el presente trabajo se ha estudiado la complejidad de los problemas P y NP y se ha diseñado e implementado en Python un modelo que imita las características y propiedades de una agenda personal y sus tareas. Y para solventar este problema se ha utilizado la librería DEAP (Distributed Evolutionary Algorithms in Python), que permite desarrollar algoritmos genéticos para resolver problemas optimización. Finalmente, una vez cumplimentadas las pruebas de validación y haber optimizado las configuraciones de los operadores y parámetros del algoritmo, los resultados obtenidos han sido satisfactorios para agendas con un periodo máximo de tres semanas, y a partir de periodos de cuatro semanas no se obtienen resultados positivos para tiempos de computación aceptables.

[EN] The aim of this work is to design an intelligent system that optimises the organisation of a personal diary, adapting to individual needs. This system addresses this NP-type problem and seeks solutions through the use of a genetic algorithm. The objectives that have been set to solve this everyday problem include exploring the possibilities and functioning of a genetic algorithm, programming, and implementing the functionalities of a diary, and verifying and optimising the performance of the solutions obtained by the algorithm. In order to satisfy these objectives, during the present work we have studied the complexity of the P and NP problems and we have designed and implemented in Python a model that imitates the characteristics and properties of a personal agenda and its tasks. To solve this problem, we have used the DEAP (Distributed Evolutionary Algorithms in Python) library, which allows us to develop genetic algorithms to solve optimisation problems. Finally, once the validation tests had been completed and the configurations of the operators and parameters of the algorithm had been optimised, the results obtained were satisfactory for agendas with a maximum period of three weeks, and from periods of four weeks onwards, no positive results were obtained for acceptable computing times.